使用Java Regex，如何检查字符串是否包含集合中的任何单词？

Question

我有一组话要说-苹果，橙子，梨，香蕉，猕猴桃

我想检查一个句子是否包含上面列出的任何单词，如果包含，我想找到匹配的单词。我如何在Regex中完成此操作？

我目前正在为每个单词集调用String.indexOf（）。我假设这不如正则表达式匹配有效？

Answer 1

TL; DR 对于简单的子字符串contains()最好，但对于仅匹配整个单词的正则表达式可能更好。

查看哪种方法更有效的最佳方法是对其进行测试。

您可以使用String.contains()代替String.indexOf()来简化您的非正则表达式代码。

要搜索其他单词，正则表达式如下所示：

apple|orange|pear|banana|kiwi

该|作品作为OR正则表达式中的作品。

我非常简单的测试代码如下所示：

public class TestContains {

   private static String containsWord(Set<String> words,String sentence) {
     for (String word : words) {
       if (sentence.contains(word)) {
         return word;
       }
     }

     return null;
   }

   private static String matchesPattern(Pattern p,String sentence) {
     Matcher m = p.matcher(sentence);

     if (m.find()) {
       return m.group();
     }

     return null;
   }

   public static void main(String[] args) {
     Set<String> words = new HashSet<String>();
     words.add("apple");
     words.add("orange");
     words.add("pear");
     words.add("banana");
     words.add("kiwi");

     Pattern p = Pattern.compile("apple|orange|pear|banana|kiwi");

     String noMatch = "The quick brown fox jumps over the lazy dog.";
     String startMatch = "An apple is nice";
     String endMatch = "This is a longer sentence with the match for our fruit at the end: kiwi";

     long start = System.currentTimeMillis();
     int iterations = 10000000;

     for (int i = 0; i < iterations; i++) {
       containsWord(words, noMatch);
       containsWord(words, startMatch);
       containsWord(words, endMatch);
     }

     System.out.println("Contains took " + (System.currentTimeMillis() - start) + "ms");
     start = System.currentTimeMillis();

     for (int i = 0; i < iterations; i++) {
       matchesPattern(p,noMatch);
       matchesPattern(p,startMatch);
       matchesPattern(p,endMatch);
     }

     System.out.println("Regular Expression took " + (System.currentTimeMillis() - start) + "ms");
   }
}

我得到的结果如下：

Contains took 5962ms
Regular Expression took 63475ms

显然，时间的长短取决于要搜索的单词数和要搜索的字符串，但是contains()对于像这样的简单搜索，它似乎比正则表达式快约10倍。

通过使用正则表达式在另一个字符串中搜索字符串，您正在使用大锤破解螺母，因此我想我们应该不会感到惊讶，因为它速度较慢。保存正则表达式，以在您要查找的模式更复杂时使用。

您可能要使用正则表达式的一种情况是if indexOf()并且contains()不会执行该工作，因为 您只想匹配整个单词
，而不仅仅是子字符串，例如，您想要匹配pear但不匹配spears。正则表达式具有单词边界的概念，因此可以很好地处理这种情况。

在这种情况下，我们将模式更改为：

\b(apple|orange|pear|banana|kiwi)\b

\b只匹配单词开头或结尾的“ 说”，方括号将OR表达式归为一组。

请注意，在代码中定义此模式时，您需要使用另一个反斜杠来转义反斜杠：

 Pattern p = Pattern.compile("\\b(apple|orange|pear|banana|kiwi)\\b");